Assignment 1

Han Jiseong

20182543

• monthly_air_quality_seoul.csv : 서울시 구별 월평균 대기질 측정값

• station_coord.csv : 서울시 구별 대기질 측정소 좌표 (위도, 경도)

위의 데이터파일은 서울시의 구별 월평균 대기질 측정값과 대기질 측정소의 좌표를 가지고 있습니다. 강의노트, 실 습, 작년과제를 참고하여 데이터의 특성을 보여줄 수 있도록 적절한 시각화를 수행해 보세요. 이때 데이터파일을 R 에서 읽어오기 전에 미리 수정하지 않습니다. 즉, R에서 위의 데이터파일을 읽은 후, 각 시각화에 적합한 형태로 데 이터프레임을 생성하거나 수정하도록 합니다.

• 서로 다른 형태의 네 가지 그래프를 활용한다.

• 지도를 한 번 이상 활용한다.

• 시각화 결과를 적절히 분석한다.

# 사용할 패키지 추가
library(ggplot2)
library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ readr     2.1.5
## ✔ forcats   1.0.0     ✔ stringr   1.5.1
## ✔ lubridate 1.9.3     ✔ tibble    3.2.1
## ✔ purrr     1.0.2     ✔ tidyr     1.3.1
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
library(tmaptools)
library(ggmap)
## ℹ Google's Terms of Service: <https://mapsplatform.google.com>
##   Stadia Maps' Terms of Service: <https://stadiamaps.com/terms-of-service/>
##   OpenStreetMap's Tile Usage Policy: <https://operations.osmfoundation.org/policies/tiles/>
## ℹ Please cite ggmap if you use it! Use `citation("ggmap")` for details.
library(dplyr)
library(mapview)
library(sf)
## Linking to GEOS 3.11.2, GDAL 3.8.2, PROJ 9.3.1; sf_use_s2() is TRUE
# 데이터파일 읽기
air_df = read.csv("monthly_air_quality_seoul.csv", fileEncoding = "euc-kr")
str(air_df)
## 'data.frame':    3201 obs. of  4 variables:
##  $ 측정월    : int  202403 202403 202403 202403 202403 202403 202403 202403 202403 202403 ...
##  $ 측정소명  : chr  "강남구" "강동구" "강북구" "강서구" ...
##  $ 미세먼지  : int  42 43 39 46 47 38 50 45 43 41 ...
##  $ 초미세먼지: int  22 21 20 20 23 21 21 24 25 23 ...
# 데이터 파일 읽기
station_df = read.csv("station_coord.csv", fileEncoding = "euc-kr")
str(station_df)
## 'data.frame':    25 obs. of  3 variables:
##  $ 측정소명 : chr  "강남구" "강동구" "강북구" "강서구" ...
##  $ latitude : num  37.5 37.5 37.6 37.5 37.5 ...
##  $ longitude: num  127 127 127 127 127 ...
# "측정소명"을 기준으로 air_df와 station_df을 left join
merged_df <- left_join(air_df, station_df, by = c("측정소명" = "측정소명"))
str(merged_df)
## 'data.frame':    3201 obs. of  6 variables:
##  $ 측정월    : int  202403 202403 202403 202403 202403 202403 202403 202403 202403 202403 ...
##  $ 측정소명  : chr  "강남구" "강동구" "강북구" "강서구" ...
##  $ 미세먼지  : int  42 43 39 46 47 38 50 45 43 41 ...
##  $ 초미세먼지: int  22 21 20 20 23 21 21 24 25 23 ...
##  $ latitude  : num  37.5 37.5 37.6 37.5 37.5 ...
##  $ longitude : num  127 127 127 127 127 ...
# 동작구의 작년 한 해 미세먼지
data1 <- subset(merged_df, 측정월 >= "202301" & 측정월 <= "202312" & 측정소명 == "동작구")
data1
data1$측정월 <- as.character(data1$측정월)

labels <- c("23-01", "23-02", "23-03", "23-04", "23-05", "23-06", 
            "23-07", "23-08", "23-09", "23-10", "23-11", "23-12")

# 동작구 월별 미세먼지에 관한 그래프 그리기
ggplot(data1, aes(x = 측정월, y = 미세먼지, fill = 측정소명)) +
  geom_bar(stat="identity", position="dodge") +
  labs(title = "23년 동작구 월별 미세먼지량", x = "측정월", y = "미세먼지 농도") +
  scale_x_discrete(labels = labels) +
  theme_minimal()

labels <- c("23-01", "23-02", "23-03", "23-04", "23-05", "23-06", 
            "23-07", "23-08", "23-09", "23-10", "23-11", "23-12")

# 동작구 월별 초미세먼지에 관한 그래프 그리기
ggplot(data1, aes(x = 측정월, y = 초미세먼지, fill = 측정소명)) +
  geom_bar(stat="identity", position="dodge") +
  labs(title = "23년 동작구 월별 초미세먼지량", x = "측정월", y = "초미세먼지 농도") +
  scale_x_discrete(labels = labels) +
  theme_minimal()

labels <- c("202301", "202302", "202303", "202304", "202305", "202306", 
            "202307", "202308", "202309", "202310", "202311", "202312")

# 동작구 월별 미세먼지와 초미세먼지에 관한 그래프 그리기
ggplot(data1, aes(x = 측정월)) +
  geom_bar(aes(y = 미세먼지, fill = "미세먼지"), stat="identity", position="dodge") +
  geom_bar(aes(y = 초미세먼지, fill = "초미세먼지"), stat="identity", position="dodge") +
  labs(title = "동작구 월별 미세먼지 및 초미세먼지 농도", x = "측정월", y = "농도") +
  scale_x_discrete(labels = labels) +
  scale_fill_manual(values = c("미세먼지" = "skyblue", "초미세먼지" = "blue")) +
  theme_minimal()


- 동작구 작년 한 해 1~4월 미세먼지, 초미세먼지 농도가 높은것을 확인 할 수 있다. 

merged_df
# 연도별 미세먼지 및 초미세먼지 평균 계산하여 새로운 데이터프레임에 저장
result_df <- merged_df %>%
  mutate(Year = as.integer(substr(측정월, 1, 4))) %>%
  filter(측정소명 == "동작구" & Year >= 2014 & Year <= 2023) %>%
  group_by(Year) %>%
  summarize(미세먼지_평균 = mean(미세먼지), 초미세먼지_평균 = mean(초미세먼지))

result_df
# 꺾은선 그래프 그리기
ggplot() +
  geom_line(data = result_df, aes(x =  Year, y = 미세먼지_평균, color = "미세먼지 평균")) +
  geom_line(data = result_df, aes(x = Year, y = 초미세먼지_평균, color = "초미세먼지 평균")) +
  labs(x = "Year", y = "평균 미세먼지 량", color = "Dust Type") +
  scale_color_manual(values = c("미세먼지 평균" = "blue", "초미세먼지 평균" = "red")) +
  theme_minimal()


- 동작구의 미세먼지 / 초 미세먼지는 해마다 점점 줄어드는 추세이다 

# 측정월이 202301부터 202312까지의 데이터 추출
filtered_df <- merged_df %>%
  filter(측정월 >= 202301 & 측정월 <= 202312)
filtered_df
# 측정소별 평균 계산 및 소수점 2째자리까지 반올림
average_by_station <- filtered_df %>%
  group_by(측정소명) %>%
  summarize(
    평균_미세먼지 = round(mean(미세먼지), 2),
    평균_초미세먼지 = round(mean(초미세먼지), 2)
  )

# 결과 출력
average_by_station
ggplot(average_by_station,aes(x=reorder(측정소명,평균_미세먼지),y=평균_미세먼지)) +
  geom_bar(stat="identity",fill="indianred3",color="black") + theme_minimal() + coord_flip() +
  labs(title="23년 구 별 미세먼지량", y = "23년 평균 미세먼지량", x = "구") +
  geom_text(aes(label=평균_미세먼지),hjust=-0.25)

ggplot(average_by_station,aes(x=reorder(측정소명,평균_초미세먼지),y=평균_초미세먼지)) +
  geom_bar(stat="identity",fill="indianred3",color="black") + theme_minimal() + coord_flip() +
  labs(title="23년 구 별 초미세먼지량", y = "23년 평균 초미세먼지량", x = "구") +
  geom_text(aes(label=평균_초미세먼지),hjust=-0.25)

# 미세먼지와 초미세먼지를 하나의 데이터프레임으로 결합
combined_df <- rbind(
  data.frame(지역=average_by_station$측정소명, 미세먼지량=average_by_station$평균_미세먼지, 종류="미세먼지"),
  data.frame(지역=average_by_station$측정소명, 미세먼지량=average_by_station$평균_초미세먼지, 종류="초미세먼지")
)

# 그래프 그리기
ggplot(combined_df, aes(x=reorder(지역, 미세먼지량), y=미세먼지량, fill=종류)) +
  geom_bar(stat="identity", position="dodge") +
  theme_minimal() +
  coord_flip() +
  labs(title="23년 구 별 미세먼지 및 초미세먼지량", y="평균 농도", x="구") +
  geom_text(aes(label=미세먼지량), hjust=-0.25, position=position_dodge(width=0.9))


- 미세먼지량와 초미세먼지량의 상관관계는 없다고 판단됨 - 미세먼지량과 초미세먼지량을 보았을때 종합적으로 도봉구의 공기가 가장 청정하다고 판단됨 

merged_df <- left_join(average_by_station, station_df, by = c("측정소명" = "측정소명"))
merged_df
ggplot(merged_df, aes(x = longitude, y = latitude, size = 평균_미세먼지)) +
  geom_point() +
  scale_size_continuous(range = c(2, 10)) +  # 점의 크기 범위 설정
  labs(title = "미세먼지량에 따른 지도 시각화", x = "경도", y = "위도", size = "평균 미세먼지") +
  theme_minimal()


-위도 경도를 지도를 사용하지 않고 좌표평면위에 시각화 

# 만약 "평균_미세먼지" 열이 문자열 형식으로 되어 있다면 숫자로 변환
merged_df$평균_미세먼지 <- as.numeric(merged_df$평균_미세먼지)

# sf 데이터프레임으로 변환
merged_sf <- st_as_sf(merged_df, coords = c("longitude", "latitude"), crs = 4326)

# mapview를 사용하여 시각화 (size 매개변수를 '평균_미세먼지' 열에 매핑, 크기를 50배로 조절)
mapview(merged_sf, zcol = "평균_미세먼지", color = 'blue',  size = 50)


- 미세먼지량에 따라 색상의 정도를 다르게 한 지도 시각화 / 가독성이 나빠 크기로 변경 

locate =  c(left=min(merged_df$longitude)-0.05, right=max(merged_df$longitude)+0.05, bottom=min(merged_df$latitude)-0.02, top=max(merged_df$latitude)+0.02)
#지도 불러오기
register_stadiamaps("772f48ad-30f5-4b4e-8b53-61f998956ff3", write = FALSE)
map <- get_stadiamap(locate, zoom=12)
## ℹ © Stadia Maps © Stamen Design © OpenMapTiles © OpenStreetMap contributors.
#구별 평균 미세먼지 량
ggmap(map, base_layer = ggplot(merged_df, aes(x=longitude, y=latitude, size=평균_미세먼지, alpha = 평균_미세먼지))) + geom_point(color="blue") + theme_void() + labs(title="구별 평균 미세먼지 수준", alpha="평균_미세먼지", size="평균_미세먼지") + theme(text= element_text(size=20))

#구별 평균 초미세먼지 량
ggmap(map, base_layer = ggplot(merged_df, aes(x=longitude, y=latitude, size=평균_초미세먼지, alpha = 평균_초미세먼지))) + geom_point(color="red") + theme_void() + labs(title="구별 평균 초미세먼지 수준", alpha="평균_초미세먼지", size="평균_초미세먼지") + theme(text= element_text(size=20))